Inteligencia artificial en aulas argentinas: qué se está probando y qué no

Experiencias concretas en escuelas técnicas y universidades del interior

La discusión sobre IA en educación suele quedarse en el debate abstracto. Este artículo baja a tierra: describe un asistente de corrección usado en escuelas técnicas de Santa Fe, un tutor de matemática probado en una facultad de Rosario y un sistema de detección temprana de deserción en una universidad del NOA. En cada caso se detallan los datos que se usaron, las limitaciones encontradas y por qué algunos pilotos no escalaron.

El asistente de corrección de Santa Fe se entrenó con consignas y devoluciones de docentes de talleres de electrónica y mecánica. Funcionó razonablemente en textos argumentativos, pero falló cuando los alumnos escribían con errores de tipeo o mezclaban lenguaje técnico con expresiones locales. Los docentes terminaron usándolo como borrador, no como reemplazo. El piloto se sostuvo dos cuatrimestres y luego se pausó por falta de financiamiento para mantener los servidores.

En Rosario, el tutor de matemática se probó con ingresantes de una facultad de ingeniería. La idea era detectar errores de procedimiento antes del primer parcial. Los datos eran ejercicios resueltos a mano y digitalizados con visión por computadora. El reconocimiento de símbolos funcionó bien en tipografía impresa y muy mal en letra cursiva. La conclusión del equipo fue que el cuello de botella no era el modelo, sino la calidad del escaneo y la falta de tiempo docente para revisar alertas.

El caso del NOA es distinto: un sistema de detección temprana de deserción que cruzaba asistencia, notas parciales y uso del campus virtual. La universidad lo usó para priorizar tutorías, no para sancionar. Aun así, hubo resistencia de estudiantes que se sintieron vigilados. El proyecto sigue activo con consentimiento explícito y un comité de ética que revisa cada actualización del modelo.

El cierre plantea qué condiciones institucionales hacen falta para que estas herramientas no queden en la etapa de demo: presupuesto de mantenimiento, formación docente continua y reglas claras sobre qué datos se usan y quién los audita. Sin eso, la IA en el aula queda como anécdota de feria de ciencias.